近些年，大语言模型（Large Language Model, LLM）通过从大规模数据中学习通用的语言表征，为多个领域带来了新的发展机遇。然而，面对生态遥感等专业领域时，通用大语言模型因缺乏对领域知识的深入理解，在专业问答任务中的准确性仍显不足。此外，面对森林点云等高维、非结构化的三维数据，现有大语言模型在多模态数据处理以及分析任务中仍面临诸多挑战。

近日，北京大学城市与环境学院、生态研究中心，在GitHub平台正式开源发布LiDAR Agent智能体框架(https://github.com/pkurelab/LiDARAgent)。该智能体突破了通用大语言模型在专业知识理解、多模态数据处理以及复杂点云分析任务中的应用限制，为人工智能在LiDAR生态遥感研究中的深度应用提供了新的技术范式。

图1. 面向生态遥感领域LiDAR Agent智能体的应用界面

在模型层面，研究团队以DeepSeek-R1-Distill-Qwen 32B为基座模型，依托自建的4万篇中英文领域语料库，引入低秩适配（LoRA，Low-Rank Adaptation）技术开展领域适应性微调。结果表明，该微调策略有效增强了模型对生态遥感领域专业知识的理解能力，提升了其在专业问答任务中的准确性，实现了通用大语言模型向垂直应用场景的有效迁移。

表1. 不同规模大语言模型在LiDAR生态遥感领域问答任务中的精度评价。14B和32B分别表示DeepSeek-R1-Distill-Qwen模型的不同参数规模，LoRA则代表经过微调后的DeepSeek-R1-Distill-Qwen模型

依托微调后的大语言模型，LiDAR Agent通过模型上下文协议（MCP，Model Context Protocol）机制集成20种点云分析工具，全面覆盖森林点云预处理、三维结构参数提取及专业知识问答等核心任务，形成了“知识理解—工具调用”的一体化处理流程。该智能体不仅具备较强的专业知识问答能力，还能够通过对话式交互，对森林点云数据进行智能化处理，有效降低了点云数据处理的技术门槛，从而提高了点云数据的分析效率。

图2. LiDAR Agent提取单木树高参数示例。为清晰展示LiDAR Agent的输出内容，图中仅保留了部分核心输出结果

该研究由北京大学城市与环境学院、生态研究中心陶胜利研究员担任指导，胡晓梅博士后主导开发。尽管LiDAR Agent已在智能化点云处理方面取得了一定进展，但仍有诸多问题有待系统性攻关。未来，我们期待与更多开发者和研究者开展合作，共同完善LiDAR Agent生态。欢迎访问我们的GitHub仓库，贡献更多具有价值的点云处理工具与应用方案。对于使用过程中的问题和建议，也欢迎通过官方网站与我们交流，我们将持续关注并及时反馈。